[发明专利]一种卷积神经网络的快速卷积计算方法、设备及存储介质

说明书

本发明涉及一种卷积神经网络的快速卷积计算方法、设备及存储介质，该方法应用于大多现有卷积神经网络结构，如AlexNet，ResNet，包括步骤如下：(1)先确定所需处理的图像的特征大小以及卷积核大小n*n；(2)建立存储图像特征的空平面；(3)根据卷积核大小建立空平面；(4)将卷积核与特征图像中的元变换到对数域中，即从整数到对数；将对应元做相加处理，将相加结果转换到整数域，即从对数到整数；(5)将所得结果读入空平面中；求取卷积的特征图。本发明(加法)大大节约计算机内存空间，加快了计算速度，节约了训练时间。

技术领域

本发明涉及一种卷积神经网络的快速卷积计算方法、设备及存储介质，属于人工智能深度学习技术领域。

背景技术

随着近年来深度学习技术的快速发展，实际应用中往往需要往往需要完成对大量数据集的处理和识别，所以对深度学习模型的训练速度要求越来越高。

卷积神经网络在深度学习图像识别领域发挥着重要作用，近年来为了达到更好的识别准确率，卷积神经网络模型在层数设计上在逐步递增，例如，2012年AlexNet模型包含8层网络结构，而2015年的ResNet模型已达到100多层甚至上千层网络结构，同时需要训练海量数据集，使得卷积神经网络在进行图像训练及识别时往往要消耗大量时间，这对基于卷积神经网络的图像识别开展产生了很大的限制性。而卷积神经网络在训练时最耗时的模块就是卷积计算，所以对卷积模块的算法优化非常重要。因此，如何提高卷积计算效率，是本领域技术人员需要解决的问题。

基础的CNN由卷积(convolution)、激活(activation)和池化(pooling)三种结构组成，对于CNN中最基础的操作2-D卷积，现有的卷积处理方式是：卷积核kernel所有权重与其在输入图像上对应元素亮度之和，可以表示为(忽略偏移量)：其中(x,y)为单一通道输入图像的空间坐标，p*q为卷积核大小，w为卷积核权重，v为图像亮度值。而计算机在计算实数w和v相乘时会占用大量的计算机空间，因此此种算法对计算机的内存大小要求较高，且耗时较长。

发明内容

针对现有技术的不足，本发明提供了一种对数域内进行的快速卷积计算方法；

本发明还提供了一种计算机设备及存储介质。

术语解释：

空平面，即用于储存特征的矩阵(张量)，对于矩阵内任意空间坐标(p,q)值d_pq＝0。

本发明的技术方案为：

一种对数域内进行的快速卷积计算方法，该方法应用于大多现有卷积神经网络结构，如AlexNet，ResNet，包括步骤如下：

(1)先确定所需处理的图像的特征大小M*N以及卷积核大小n*n，记图像中像素的亮度值为a_ij，a_ij∈[1,255]，1≤i≤M，1≤j≤N；卷积核中神经元的权重为b_kl，1≤k≤n,1≤l≤n，根据对数运算性质，对于所有实数A和B，logA+logB＝logA*B，得到：a_ij*b_kl＝log^-1(loga_ij+logb_kl)；

(2)设步长为α，根据图像的特征大小M*N，建立(M-n)/α*(N-n)/α大小的存储图像特征的空平面，即对于所有1≤p≤(M-n)/α,1≤q≤(N-n)/α,d_pq＝0；

(3)根据卷积核大小n*n，建立n*n大小的空平面；

(4)将卷积核与特征图像中的元变换到对数域中，即从整数到对数；将对应元做相加处理，将相加结果转换到整数域，即从对数到整数；

(5)将所得结果读入空平面中；求取卷积的特征图。